前言
隨著 AI 大模型的爆發，提示詞工程（prompt engineering ） 一度是用戶應用 AI ，發揮 AI 能力最重要、也最應該掌握的技術。 但現在，在 “提示詞工程”的基礎上，一個更寬泛也更強力的演化概念被提出，也就是本文我們要介紹的 “上下文工程（Context Engineering）”
特別是今年以來，隨著 AI Agent的爆發，在應用 AI 時，將哪些信息有效傳遞給 AI “有限的記憶空間”變得越來越重要。很多時候，調用 AI Agent 效果不佳，并不是大模型本身的能力不佳，更多是上下文的質量有所欠缺。
提示詞工程的局限性
提示詞工程 通過優化輸入給模型的文本，可以優化模型的輸出質量。
但隨著越來越多Agent的加入，以及應用場景的復雜化，僅依靠提示詞，已經很難讓大模型有效完成
越來越復雜的任務。
比如要完成一個AI智能測試用例系統，在利用大模型的過程中，還需要如下信息：
- 原始的需求文檔、接口文檔信息
- 系統的架構設計、數據庫、系統框架
- 各種應用接口的狀態
- 和用例管理、文檔管理、自動化測試等外部工具的調用。
這些要求，僅僅通過向大模型和對應的Agent傳遞提示詞，已經很難完成。
這也就是提示詞工程最大的局限性：缺乏上下文理解與狀態管理能力。
何為上下文工程？
要理解“上下文工程”，先要明確，何為上下文？
相比提示詞（prompt），
)
_274)
